652 轎車雙擺臂懸架的設(shè)計及產(chǎn)品建模

652 轎車雙擺臂懸架的設(shè)計及產(chǎn)品建模,轎車,雙擺臂,懸架,設(shè)計,產(chǎn)品,建模 外 文 翻 譯專 業(yè) 機(jī)械設(shè)計制造及其自動化 學(xué) 生 姓 名 周 祥 班 級 B 機(jī)制 034 學(xué) 號 0310110215 指 導(dǎo) 教 師 呂 紅 明 1外文資料名稱：汽車主動懸架系統(tǒng)的神經(jīng)網(wǎng)絡(luò)控 制運(yùn)算法則的研究 外文資料出處：International Conference on Neural Networks and Brain, 2005. 附 件： 1.外文資料翻譯譯文 2.外文原文 指導(dǎo)教師評語：簽名： 年 月 日2汽車主動懸架系統(tǒng)的神經(jīng)網(wǎng)絡(luò)控制運(yùn)算法則的研究L.J.Fu, J.G.Cao 重慶工學(xué)院車輛工程系中國重慶市楊家坪興盛路4號，400050C. R. Liao, B. Chen 重慶技術(shù)學(xué)院車輛工程系中國重慶市楊家坪興盛路4號，400050E-mail: flj@cqit.edu.cn周祥 譯摘要:為適應(yīng)不同路面狀況和汽車運(yùn)行狀況,半可控懸架由從動彈簧和活動減振器組成。由于主動懸架結(jié)構(gòu)復(fù)雜并且消極懸架無法滿足各種路面條件和汽車運(yùn)行狀態(tài)的要求,因此半可控懸架系統(tǒng)是目前最常用的懸架系統(tǒng)。本文將著重介紹自適應(yīng)神經(jīng)控制的汽車懸架循環(huán)神經(jīng)網(wǎng)絡(luò)模擬控制器。懸架系統(tǒng)神經(jīng)網(wǎng)絡(luò)不同于汽車懸架的動態(tài)參數(shù),并且還能夠?yàn)樯窠?jīng)自動調(diào)節(jié)控制器提供學(xué)習(xí)信號,為了檢驗(yàn)控制結(jié)果，在 DSP微處理系統(tǒng)基礎(chǔ)上為中巴安裝液壓減振器和多維控制系統(tǒng),并在各種速度和路面上進(jìn)行實(shí)驗(yàn).將此控制結(jié)果和開環(huán)消極懸架系統(tǒng)進(jìn)行比較,結(jié)果表明神經(jīng)網(wǎng)絡(luò)控制運(yùn)算在減少微型客車振動方面表現(xiàn)的非常良好。1．概述汽車懸架系統(tǒng)的主要功用是支撐車身的重量,并且使汽車穩(wěn)定有效的進(jìn)行轉(zhuǎn)向操縱控制,同時有效的分離路面波動對車身的影響。不同的需要導(dǎo)致設(shè)計的要求不同,半自動懸架由從動彈簧和需要克服不同路面狀況和汽車運(yùn)行條件的阻尼離的自動減振器組成。由于主動懸架結(jié)構(gòu)復(fù)雜而傳統(tǒng)的消極式懸架無法滿足不同路面狀況和汽車運(yùn)行狀況的要求。因此,半自動懸架是目前最常用的懸架系統(tǒng)。半自動懸架系統(tǒng)的優(yōu)點(diǎn)是帶有液壓減振使車身在低動力情況下振動降低。目前,許多控制系統(tǒng)是為半自動懸架系統(tǒng)而開發(fā)的。從 Karnoopp 的 Skyhook 方法開始。這個方法主要是使緩沖器承受一定的力的作用,而這個力是與汽車全速時懸架上的質(zhì)量成一定比例的。許多調(diào)查都是用一維模型,它可以推導(dǎo)出模糊的控制點(diǎn)和控制運(yùn)算法則。如 LQG 和活躍控制[2,3]。由于汽車懸架固有非線性特性,導(dǎo)致這種控制方法不能充分發(fā)揮半自動懸架的功用。為充分利用懸架系統(tǒng)的非線性功用。如模糊邏輯控制。神經(jīng)網(wǎng)絡(luò)控制和模糊神經(jīng)控制等智能化控制方法近來都已被科研人員用于非線性懸架系統(tǒng)控制[4,5]。本文，一種神經(jīng)自適應(yīng)控制控制器被用于控制汽車懸架神經(jīng)網(wǎng)絡(luò)和瞬邊的 MR 減振器的循環(huán)振動?？刂破鞯慕Y(jié)構(gòu)設(shè)計和控制運(yùn)算法則將在第 2 部分進(jìn)行詳細(xì)敘述。懸架的循環(huán)神經(jīng)網(wǎng)絡(luò)動態(tài)模擬在第 3 部分進(jìn)行介紹控制系統(tǒng)實(shí)驗(yàn)在第 4 部分，第 5部分是總結(jié)。31. 汽車懸架的多維自調(diào)節(jié)控制法則神經(jīng)模糊控制系統(tǒng)將在本文進(jìn)行介紹，由圖 1 可知，它是由模糊神經(jīng)網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)模型構(gòu)成的微型客車懸架。神經(jīng)網(wǎng)絡(luò)模糊控制即自適應(yīng)控制，它有學(xué)習(xí)和控制的功能。它的循環(huán)神經(jīng)網(wǎng)絡(luò)功用是用來鑒別中巴車懸架的模擬參數(shù)。圖 1 中的y(t)和 yd(t)分別是系統(tǒng)實(shí)際輸出和系統(tǒng)理想輸出。xl(t)是系統(tǒng)實(shí)際輸出和理想輸出之間的誤差。x2(t)是系統(tǒng)實(shí)際輸出和理想輸出的誤差率 xl(t)和 x2(t)定義如下：xI (t) e(t)= y(t)- Yd (t) (1)X2 (t)= e(t)= e(t + 1)- e(t) (2)圖 1.懸架神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的結(jié)構(gòu)網(wǎng)絡(luò)控制系統(tǒng)：整體集的定義分別如下： = [- E,E], = [- E,E], =[-U,U].神經(jīng)模糊控制器有四層神經(jīng)元。第一層和第二層和與模糊法則相一致。第三層與推理相一致，而第四層與模糊法則相一致。 , 和 的集合分別分成 7 個子集，， ， 集的組成分別如下：X1 = {NB, NM, NS, ZE, PS, PM, PB}X2 = {NB, NM, NS, ZE, PS, PM, PB}U = {NB, NM, NS, ZE, PS, PM, PB}本文，將用高斯函數(shù)解決模糊集 , 和模糊集 的組成，其函數(shù)的第一如下：4圖 2.自動懸架神經(jīng)網(wǎng)絡(luò)控制器簡圖，由圖 2 可知，輸入/輸出如下：1：和和都是神經(jīng)網(wǎng)絡(luò)的輸入部分。 是其重量， 是其輸出部分，， 都是高斯函數(shù)的重要值。神經(jīng)網(wǎng)絡(luò)控制器的學(xué)習(xí)法則是以斜率誤差信號逆向傳遞方法為基礎(chǔ)的。誤差逆向傳遞方法通過使函數(shù)[5]損失降至最低自動調(diào)節(jié)重量。3．懸架循環(huán)神經(jīng)網(wǎng)絡(luò)動態(tài)模擬法則懸架神經(jīng)網(wǎng)絡(luò)設(shè)計用于將實(shí)際輸出量通過第三層神經(jīng)網(wǎng)近似反饋給潛在的循環(huán)層，結(jié)構(gòu)如圖 3 所示。其性能是使循環(huán)神經(jīng)網(wǎng)絡(luò)能夠自動獲知周圍環(huán)境并且據(jù)此提高其重量自動適應(yīng)作用.循環(huán)神經(jīng)網(wǎng)絡(luò)輸入信號 和 和潛在層的邏輯反饋循環(huán)神經(jīng)的輸出量 的總輸出量對等于 神經(jīng)。圖3.懸架系統(tǒng)神經(jīng)網(wǎng)絡(luò)模擬簡圖。5是循環(huán)神經(jīng)網(wǎng)絡(luò)的負(fù)荷， 是潛在層邏輯循環(huán)反饋神經(jīng)的輸出神經(jīng)量， 分別是輸入神經(jīng)量和反饋神經(jīng)量。激活函數(shù)是輸入函數(shù)和輸出函數(shù)的線性函數(shù)，潛在層神經(jīng)的激活是S 形的函數(shù)。它的反函數(shù) 通過誤差信號定義如下：是誤差能量的瞬時值.神經(jīng)元的突出質(zhì)量一步一步連續(xù)的自動調(diào)節(jié)直至系統(tǒng)達(dá)到 穩(wěn)定狀態(tài)，即突出質(zhì)量基本上穩(wěn)定。從式1，2和3可知：從 4，5 和 6 分析 和 分別推導(dǎo)出循環(huán)分子式。6突出質(zhì)量可以由下式計算得到：是速率參數(shù)，詳細(xì)分析循環(huán)算法獲得速率參數(shù)值是相當(dāng)復(fù)雜的。根據(jù)式 13得，循環(huán)神經(jīng)網(wǎng)絡(luò)質(zhì)量矢量 能夠自動調(diào)節(jié)。 函數(shù)如下 ，其變值 經(jīng)過 t 時間可以定義為：我們通過式 13 和式 14 可以知道誤差信號 如下：函數(shù)增量經(jīng)過 t 時間可以定義為：.4 .路面測試結(jié)果分析神經(jīng)控制運(yùn)算的正確性的證明，帶有 MR 液壓減振器的微型客車懸架在中國已經(jīng)大量投產(chǎn)制造. 微型客車自適應(yīng)懸架系統(tǒng)由一個 DSP 微處理系統(tǒng)，8 個加速度傳感器，4 個 MR 液壓減振器和一個輸入電壓為 12v 的可控循環(huán)電流控制器組成.DSP微處理器通過傳感器獲取懸架彈簧負(fù)載和空載時候的懸架振動信號.根據(jù)振動信號和本文的控制圖，DSP 微處理系統(tǒng)通過調(diào)節(jié)控制信號來調(diào)節(jié) MR 液壓減振器中的電磁線圈的電流。 MR 液壓減振器電磁線圈產(chǎn)生的磁場能夠在壓縮沖程和反彈過程中調(diào)節(jié) MR 液壓減振器中流體運(yùn)行狀態(tài)。本文描述的是以神經(jīng)網(wǎng)絡(luò)控制為基礎(chǔ)的微型客車懸架的路面測試，其速度分別為 30，40，50 km/h.路面測試過程中微型客車以恒定的速度運(yùn)行。自適應(yīng)懸架分別以神經(jīng)網(wǎng)絡(luò)和消極懸架系統(tǒng)在同樣的路面和運(yùn)行速度下進(jìn)行測試實(shí)驗(yàn)。表 1 的測試結(jié)果表明神經(jīng)網(wǎng)絡(luò)控制自適應(yīng)懸架能夠在懸架彈簧重載和空載的條件下都能減小振動。7圖 4 描述的是滿載和空載時候的消極和自適應(yīng)微型客車懸架在 D 級路面上的振動曲線圖。很明顯神經(jīng)網(wǎng)絡(luò)控制主要提高減緩振動的能力。受力曲線圖表明自適應(yīng)懸架系統(tǒng)和消極懸架系統(tǒng)相比較能夠明顯減小微型客車的振動。減振器有卓越的模糊控制原理和模擬推理，帶有神經(jīng)網(wǎng)絡(luò)控制的自適應(yīng)懸架系統(tǒng)遠(yuǎn)乘舒適性能和路面穩(wěn)定保持性能。表 1 微型客車懸架路面測試結(jié)果微型客車懸架滿載和空栽時速度變換曲線（D 級路況）圖 4.微型客車振動力曲線圖 （左）滿載 （右）空載 （速度 40km/h）結(jié)論本文中主要講述的是微型客車的一種新型的循環(huán)神經(jīng)網(wǎng)絡(luò)模型和模糊神經(jīng)控制原理.根據(jù)要求使用 8 個加速度傳感器和一個信號處理器?？紤]到 MR 減振器的復(fù)雜性，動態(tài)參數(shù)載入硬盤進(jìn)行仿真.它表明自適應(yīng)控制系統(tǒng)可以通過模糊神經(jīng)控制和循環(huán)神經(jīng)網(wǎng)絡(luò)懸架達(dá)到完全控制作用。由于控制法設(shè)計，增益調(diào)度策略和硬件循環(huán)仿真的開發(fā)本文限于微型客車的具體參數(shù)，在懸架參數(shù)變化的情況下此方法可以延伸到其它半主動懸架系統(tǒng).路面實(shí)驗(yàn)結(jié)果表明模糊神經(jīng)控制可以有效改善微型客車行使的舒適性和穩(wěn)定性。使用 DSP 控制器能有效的減小整個車身的振動，包括滿載時候和非滿載時候的振動。模糊神經(jīng)控制器可以減少對對控制系統(tǒng)性能影響很大的模擬參數(shù)的變化。8參考文獻(xiàn)[1] Kanopp D. (1995) Active and Semi-active Vibration Isolation,Transactions of ASME, Journal of Special 50th Anniversary Design Issue, Vol.117, p1 17-125.[2] Chantrnuwathhana, S. and Peng, H. (1999) Adaptive Robust Control For Active Suspension, proceedings of the American Control Conference, San Diego, California, pp.l702-1706[3] Yu, F. and Crolla, D.A. (1998) an Optimal Self-Tuning Controller for Active Suspension, Vehicle System Dynamics, vol.29, pp.51-65[4] Zadeh, A., Fahim, A., and El-Gindy, M. (1997) Neural Networks and Fuzzy Logic Applications to Vehicle System, International Journal of Vehicle Design, vol.18 (2), pp.132-193[5] Wuwei Chen, James K. Mills and Le Wu,(2003) Neurofuzzy and Fuzzy Control of Automotive Semi-Active Suspensions, International Journal of Vehicle Autonomous Systems, vol.1 (2), pp.222-236